它的需求可能只有初中語文即可。但是，NLP的數(shù)據(jù)需求早已超過這樣的標注太多。

例如，客服詢問用戶是否購買此商品時，“我要和家人商量一下”、“我會考慮”、“我現(xiàn)在不方便，你一會兒再打過來”，標注人員得準確標注出暫不購買，暫不考慮，拒絕購買或者興趣較大等多種意圖。

一方面，這依賴于平臺進行的場景深挖，這也是為什么云測數(shù)據(jù)智能客服單個場景的意圖標注就分為10－20個大類、上百個子類，根據(jù)業(yè)務需求可能還會有進一步的標注細分，如此數(shù)據(jù)標注可以更細化、直達需求。

另一方面，這繞不開人員能力的持續(xù)培訓，把“干體力”的標注工人轉化成懂一些專業(yè)的業(yè)務人員，典型的如云測數(shù)據(jù)在金融服務領域通過幾個月的專業(yè)培訓，培養(yǎng)出銷售人員視角去揣測用戶話語中的意圖。

舉例來看，在客服溝通中，用戶回饋“我在開車”這短短的一個語料數(shù)據(jù)，可能需要標記出“有車一族”、“司機”、“沒有明顯拒絕”、“可能有興趣”等多個標注給NLP算法，按云測數(shù)據(jù)自己的說法，其培訓達到的目標，是讓標注員工達到成為專業(yè)員工的水準。

顯然，在NLP標注數(shù)據(jù)的初期階段將各大金融機構的AI客服機器人訓練到大致相當?shù)某跫壵J知智能水平后，再進行提升、提高銷售轉化或者服務滿意度，都需要質量更高、針對特定需求更強的NLP標注數(shù)據(jù)。

值得一提的是，在NLP領域不是所有標注都能通過人員培訓來解決，醫(yī)療、法律等過于專業(yè)的領域可能還是依賴專家標注（邀請醫(yī)生、律師等參與標注），那是一個更復雜的故事了。

4、工具使用，持續(xù)加碼“便捷化”

工欲善其事必先利其器，NLP的標注雖然不像CV有很多空間維度的數(shù)據(jù)需求，但工具提升便捷度進而提升標準效率和準確性的價值仍然不可小覷。

這方面，巨頭的腳步更早，在國外，Google Fluid Annotation一度是NLP標注“最好使”的工具，國內，大廠和專業(yè)平臺的工具也被廣泛使用，云測數(shù)據(jù)在工具上的創(chuàng)新優(yōu)勢很明顯。

總體而言，標注工具適合自己的才是最好的。這種根據(jù)定制化需求開發(fā)貼合實際需要的數(shù)據(jù)工具對場景化數(shù)據(jù)的生產(chǎn)，發(fā)揮著重要作用。

無論如何，持續(xù)加碼“便捷化”，是一個不會停止的過程。

NLP數(shù)據(jù)產(chǎn)業(yè)的機會，將會是誰坐莊？

在AI領域，雖然有大廠走在前列，但市場并沒有被巨頭壟斷，中型AI平臺也常常嶄露頭角成為主角。以AI數(shù)據(jù)服務領域為例，像云測數(shù)據(jù)這種專注于企業(yè)服務的第三方獨立平臺，以客戶為中心的企業(yè)基因，一直貫穿在數(shù)據(jù)交付的始終。

一個典型的表現(xiàn)是，高精確度的NLP數(shù)據(jù)需要以企業(yè)服務的心態(tài)與客戶仔細對接需求，例如，用戶需求的場景是什么，如果是訂票，AI問答應該主要導向訂票，對應的NLP數(shù)據(jù)也要往這個方向去標注。

這一過程中需要數(shù)據(jù)服務人員對需求進行拆解、預判甚至提前給出建議，與客戶反復溝通確認達成一致后，才能真正地去作業(yè)。大廠偏重于技術架構、前沿技術開發(fā)、云服務器中心大規(guī)模并發(fā)能力等建設，很難俯下身好好完成這件事，這時候，AI數(shù)據(jù)專業(yè)化平臺更有優(yōu)勢。

此外，影響競爭格局走向的還有數(shù)據(jù)服務的安全性。

在數(shù)據(jù)采集與標注行業(yè)，復制一份數(shù)據(jù)在技術上非常簡單，也能節(jié)省大量的人力和運營成本，但給客戶帶來的損失卻不小（尤其是被競爭對手拿到），保證數(shù)據(jù)隱私性和安全性，在AI激烈的競爭環(huán)境下幾乎成為某些客戶的首要決策標準。

總而言之，高專業(yè)度、高精準度、高效率、強安全才能贏得AI數(shù)據(jù)客戶尤其是NLP數(shù)據(jù)客戶的選擇，不論巨頭還是AI數(shù)據(jù)專業(yè)化平臺在行業(yè)爆發(fā)式增長的關口都在努力，落實和推進了諸多動作。NLP數(shù)據(jù)產(chǎn)業(yè)正處在藍海，一個不會由巨頭坐莊的藍海。